VAE(变分自编码器)在少样本目标检测中的应用

该图对于我的理解就是假设我们训练了一个数据量非常大的模型，然后从这个模型中采样一种分类的特征与少样本数据特征进行融合，等于我们再推理的时候，这种模型就可以推理少样本数据的类别，虽然少样本数据可能是鸭子，但是是跟狗的特征融合的，那么就可以把鸭子推理成狗。这里推理成狗是因为原模型的标签是狗，你也可以改成鸭子。

latent_loss = KL-Divergence(latent_variable, unit_gaussion)

generation_loss = mean(square(generated_image - real_image))

这里我们来解释一下什么是特征分布，特征分布是区别于样本分布的，样本分布就是你的数据集中各个种类占总数的占比，如某一数据集中有三种鸢尾花，它们的比例是1：1：1，那么这就是一种均匀分布。

特征分布指的是某个特征在整个数据集上的分布情况。

假设我们需要识别的是猫这个种类(无论是英短，波斯，金渐层，银渐层)，首先卷积神经网络会提取它们的特征，如毛发、眼睛、胡子、尾巴，耳朵......(神经网络提取出来的特征不一定是我们人类能理解的，这里只是打个比方)，假设有一个特征是毛发长度(该数据集并不只包含猫，还有其他的种类)，它在整个数据集中满足以下分布

那么该特征的总体分布(整个数据集中)就是一个正态分布的。